1 R마크다운 내장 방법1

PDF 파일을 PDF 파일 그래도 내장하는 방법과 PDF 파일을 이미지로 파일로 변환시킨 후에 이를 slickR 팩키지를 활용하여 회전목마 방식으로 R마크다운에 내장하는 두가지 방식이 있다.

1.1 PDF 뷰어 파일

knitr 팩키지 include_graphics() 함수를 사용해서 R 코드 덩어리(chunk) 크기 등 매개변수를 조정해서 PDF 파일 자체를 내장시키는 것도 가능하다.

{r embed-pdf, out.height = "460px", out.width='800px', echo=TRUE} knitr::include_graphics("data/transparency-report-2018.pdf") <!--

–>

1.2 slickR 회전목마

또 다른 방식은 slickR 팩키지를 활용하여 회전목마 방식으로 slickR with PDFs 사례를 참조하여 R마크다운에 내장하여 표현하는 방식이다.

library(slickR)
library(pdftools)

kpmg_pdf <- pdf_convert("data/transparency-report-2018.pdf", 
                        format = 'png', 
                        verbose = FALSE,
                        pages = 1:10)

작업 디렉토리에 PDF 파일 각 페이지를 transparency-report-2018_*.png 파일명을 갖는 PNG파일로 변환시킨다. 그리고 PNG 파일을 fig/ 디렉토리로 모두 이동시킨다.

mv transparency*.png fig/

데이터프레임을 만들어 slickR로 각 PNG 파일을 회전목마 형태로 변환시킨다.

kpmg_pdf_df <- tibble(page = glue::glue("fig/{kpmg_pdf}") )

bottom_opts <- settings(arrows = TRUE,
                        slidesToShow = 3,
                        slidesToScroll = 1,
                        centerMode = TRUE, 
                        focusOnSelect = TRUE,
                        initialSlide = 0)

slickR(kpmg_pdf_df$page, height = 600) %synch% 
  (slickR(kpmg_pdf_df$page, height = 100) + bottom_opts)

2 PDF 문서 추출

PDF 문서에서 원하는 데이터를 추출하는 방법은 다양한다. 먼저 PDF 파일에서 추출할 수 있는 데이터에 대해서 알아보자. PDF 파일에서 추출할 수 있는 데이터는 크게 4가지 방식으로 나눌 수 있다.

  1. PDF 파일에서 텍스트
  2. PDF 이미지에서 텍스트 추출
  3. 테이블 표 추출
  4. 이미지 추출2

PDF 데이터 추출

R 팩키지 pdftools를 활용하여 상당부분 작업을 할 수 있지만, 표를 추출할 경우 자바 기반의 tabulizer 팩키지, 이미지를 추출할 경우 리눅스 poppler 구성원인 pdfimages 도구를 쉘에서 실행시켜 구현한다.

3 PDF 일부 영역 추출

PDF 파일이 텍스트, 이미지, 표 등으로 구분되어 있을 경우 이를 파이썬 Open CV 등 도구를 사용해서 이미지 PDF에서 특정 객체를 인식하여 추출한 후 이를 OCR 엔진에 넣어 표에 담긴 정보를 추출한다.

  1. Tidyverse 딥러닝, “캡챠 회전목마(carousel, merry-go-round): slickR”↩︎

  2. stackoverflow, “Extract images from PDF without resampling, in python?”↩︎

 

데이터 과학자 이광춘 저작

kwangchun.lee.7@gmail.com